PREDIKSI OBESITAS, DIABETES MELITUS TIPE 2, SINDROM
METABOLIK DAN PENYAKIT JANTUNG KORONER
MENGGUNAKAN ALGORITMA BACKPROPAGATION
A. Latar Belakang
Seiring dengan perkembangan zaman yang semakin modern mengakibatkan terjadinya perubahan pola hidup pada masyarakat dunia dan menimbulkan dampak positif maupun dampak negatif terhadap kehidupan manusia itu sendiri. Salah satu dampak negatif yang sangat meresahkan masyarakat dunia adalah meningkatnya jumlah penyakit yang disebabkan oleh perubahan gaya hidup dan pola makan masyarakat yang tidak sehat.
World Health Organization (WHO) (dalam Hill Jo, 2003 ) menyatakan bahwa obesitas merupakan salah satu dari 10 kondisi yang berisiko di seluruh dunia dan salah satu dari 5 kondisi yang berisiko di negara berkembang. Obesitas adalah stimulator utama untuk terjadinya berbagai penyakit terutama Sindroma Metabolik (SM), Diabetes Melitus tipe 2 (DM tipe 2) dan hipertensi. Penyakit tersebut merupakan faktor risiko penting untuk terjadinya penyakit kardiovaskuler. Menurut WHO 40-60% pasien obesitas akan berkembang menjadi DM tipe 2 dan memiliki tekanan darah tinggi (Pusparini, 2007). Salah satu cara mendeteksi apakah seseorang menderita obesitas dapat diukur dengan rumus Indeks Massa Tubuh (IMT).
yang sering digunakan untuk menilai pasien SM adalah NCEP–ATP III yaitu apabila seseorang memenuhi 3 dari 5 kriteria yang disepakati, antara lain: lingkar perut pria >102 cm atau wanita >88 cm; hipertrigliseridemia (kadar serum trigliserida >150 mg/dL), kadar HDL–C <40 mg/dL untuk pria, dan <50 mg/dL untuk wanita; tekanan darah >130/85 mmHg; dan kadar glukosa darah puasa >110 mg/dL (Rini, 2015).
Kira-kira 80% pasien DM tipe 2 menderita obesitas, dan obesitas dihubungkan dengan resistensi insulin. Jaringan adipose menginduksi resistensi insulin melalui berbagai mekanisme (Pusparini, 2007). DM tipe 2 merupakan salah satu masalah kesehatan yang besar. Data dari studi global menunjukan bahwa jumlah penderita DM pada tahun 2011 telah mencapai 366 juta orang. Jika tidak ada tindakan yang dilakukam, jumlah ini diperkirakan akan meningkat menjadi 552 juta pada tahun 2030 (IDF, 2011). DM telah menjadi penyebab dari 4,6 juta kematian. Selain itu pengeluaran biaya kesehatan untuk DM telah mencapai 465 miliar USD (IDF, 2011). International Diabetes Federation (IDF) memperkirakan bahwa sebanyak 183 juta orang tidak menyadari bahwa mereka mengidap DM. Menurut Pusparini (dalam Hanno et al., 2005) bahwa standar diagnosis DM tipe 2 didasarkan pada nilai glukosa puasa, glukosa sewaktu dan tes glukosa toleransi oral. Kriteria diagnosis ini berlaku untuk usia anak maupun dewasa. Apabila DM tipe 2 tidak di tangani dengan baik maka akan menyebabkan komplikasi vaskular yang dibedakan menjadi komplikasi makrovaskular seperti PJK, penyakit pembuluh darah perifer dan stroke serta mikrovaskular seperti retinopati, nefropati, dan neuropati. PJK merupakan komplikasi yang sering terjadi dan cenderung tidak disadari oleh peyandang DM tipe 2 (Muntaha, 2018)
kelamin, pekerjaan, HDL, LDL, trigliserida, kolestrol, tekanan sistolik dan tekanan darah diastolik (Effendy et al., 2008)
Dalam penelitian ini penulis menggunakan hasil catatan rekam medis dan wawancara langsung dari pasien rawat jalan di Poliklinik Geriatri RSU Anutapura Palu untuk memprediksi prognosis obesitas, DM tipe 2 dan SM serta PJK. Dengan menggunakan beberapa faktor risiko suatu penyakit maka jaringan syaraf tiruan backpropagation dapat digunakan untuk deteksi penyakit tersebut. Terdapat tiga tahapan yaitu obesitas, DM tipe 2 dan SM serta PJK. Data faktor risiko suatu penyakit akan dilatih menggunakan jaringan syaraf tiruan backpropogation untuk mengenali pola pada masing-masing faktor risiko obesitas, DM tipe 2 dan SM serta PJK.
B. Rumusan Masalah
Rumusan masalah dalam penelitian ini adalah bagaimana merancang sebuah aplikasi yang berfungsi sebagai alat bantu pendukung keputusan dalam mendeteksi obesitas, DM tipe 2 dan SM serta PJK. Dan dapat memprediksi perkembangan statusnya menggunakan metode backpropogation.
C. Tujuan Penelitian
D. Manfaat Penelitian
Adapun manfaat yang diharapkan dari hasil penelitian ini sebagai berikut :
1. Dengan adanya aplikasi yang dapat mendeteksi obesitas, DM tipe 2 dan SM serta PJK seseorang dapat mengetahui sejak dini kondisi kesehatannya agar selalu menjaga pola hidup sehat.
2. Memudahkan seseorang untuk mengetahui apakah mereka
positif atau
negatif terkena obesitas, DM tipe 2, SM dan PJK berdasarkan faktor-faktor risiko yang dimiliki
3. Untuk menambah dan mengembangkan ilmu pengetahuan
dalam bidang matematika dan terapannya pada ilmu kesehatan serta dapat membantu program pemerintah.
E. Batasan Masalah
Penelitian ini dibatasi dalam beberapa hal, yaitu :
1. Data yang diperoleh hanya berasal dari hasil rekam medis dan wawancara langsung pada pasien rawat jalan di Poliklinik Geriatri RSU Anutapura Palu.
2. Respondensi yang digunakan hanya berjumlah 200 pasien untuk ke empat jenis penyakit yang di deteksi.
1. Obesitas
Menurut Mayer (dalam Utomo, 2012) obesitas merupakan keadaan patologis karena penimbunan lemak berlebihan daripada yang diperlukan untuk fungsi tubuh. Obesitas dari segi kesehatan merupakan salah satu penyakit salah gizi, sebagai akibat konsumsi makanan yang jauh melebihi kebutuhanya. Perbandingan normal antara lemak tubuh dengan berat badan adalah sekitar 12-35% pada wanita dan 18-23% pada pria. Obesitas merupakan salah satu faktor risiko penyebab terjadinya penyakit degeneratif seperti DM, PJK, dan hipertensi menurut Laurentika (dalam Rahmawati, 2009).
World Health Organization (WHO) menyatakan bahwa obesitas merupakan salah satu dari 10 kondisi yang berisiko di seluruh dunia dan juga merupakan salah satu dari 5 kondisi yang berisiko di negara berkembang. Obesitas kini menjadi stimulator utama penyebab terjadinya berbagai jenis penyakit terutama SM, DM tipe 2 dan hipertensi. Beberapa jenis penyakit tersebut merupakan faktor risiko penting untuk terjadinya penyakit kardiovaskuler. WHO juga menyatakan bahwa 40-60% pasien obesitas akan berkembang menjadi DM tipe 2 dan memiliki tekanan darah tinggi (Pusparini, 2007).
Salah satu cara mendeteksi apakah seseorang menderita obesitas dapat diukur dengan rumus Indeks Massa Tubuh
(IMT) : Berat Badan(kg)
(Tinggi Badan(m))2 menurut International Obesity Task Force/
IOTF, WHO 2000 pada penduduk Asia dan klasifikasi berat badan berdasarkan Indeks Massa Tubuh dapat dilihat pada tabel berikut :
Tabel 1Klasifikasi Berat Badan Berdasarkan Indeks Massa Tubuh
IMT Kategori BB
18.5−22.9 Normal
23−24.9 Beresiko
≥25 Obesitas
2. Sindrom Metabolik
The International Diabetes Federation (IDF) menyatakan bahwa SM merupakan faktor pemicu munculnya pandemik global antara DM tipe 2 dan penyakit kardiovaskuler, sehingga dapat diketahui secara global bahwa insidens SM meningkat dengan cepat. Adapun Prevalensi SM di dunia sebesar 20-25% sedangkan di Indonesia sebesar 13,3% sehingga tidak menutup kemungkinan prevalensi ini akan terus meningkat tiap tahunnya (Pusparini, 2007).
Menurut Rini (dalam Wijaya, 2000) SM merupakan kelainan metabolik kompleks yang diakibatkan oleh peningkatan obesitas. SM adalah kumpulan dari faktor–faktor risiko terjadinya penyakit kardiovaskular. Kriteria yang sering digunakan untuk menilai pasien SM adalah NCEP–ATP III, yaitu apabila seseorang memenuhi 3 dari 5 kriteria yang disepakati, antara lain: obesitas, hipertrigliseridemia (kadar serum trigliserida >150 mg/dL), kadar HDL–C <40 mg/dL untuk pria, dan <50 mg/dL untukwanita; tekanan darah >130/85 mmHg;dan kadar glukosa darah puasa >110 mg/dL. Adapun faktor risiko SM meliputi gaya hidup dapat dilihat dari kebiasaan merokok, aktifitas fisik, pola makan, usia, jenis kelamin, genetik dan sosial ekonomi (Rini, 2015)
3. Diabetes Mellitus
Sebelumnya pada tahun 2011, Indonesia berada pada peringkat ke-10 untuk kasus diabetes tertinggi di dunia dengan jumlah penderita 7,2 juta jiwa dan naik pada tahun 2013 menjadi peringkat ke-7 dengan jumlah penderita sebanyak 8,5 juta jiwa. Tahun 2014, Indonesia berada pada peringkat ke-5 untuk jumlah penderita diabetes tertinggi di dunia. Angka penderita DM di Jawa Tengah merupakan urutan ketiga setelah penyakit jantung dan pembuluh darah dengan prevalensi mencapai 17% dari golongan penyakit tidak menular (Sukesih dan Siswanti, 2017)
Kira-kira 80% pasien DM tipe 2 menderita obesitas, dan obesitas dihubungkan dengan resistensi insulin. Jaringan adipose menginduksi resistensi insulin melalui berbagai mekanisme. DM tipe 2 merupakan salah satu masalah kesehatan yang besar. Data dari studi global menunjukan bahwa jumlah penderita DM pada tahun 2011 telah mencapai 366 juta orang. Jika tidak ada tindakan yang dilakukam, jumlah ini diperkirakan akan meningkat menjadi 552 juta pada tahun 2030 (IDF, 2011). DM telah menjadi penyebab dari 4,6 juta kematian. Selain itu pengeluaran biaya kesehatan untuk DM telah mencapai 465 miliar USD (IDF, 2011). International Diabetes Federation (IDF) memperkirakan bahwa sebanyak 183 juta orang tidak menyadari bahwa mereka mengidap DM (dalam Trisnawati dan Setyorogo, 2013)
Menurut Pusparini (dalam Hanno et al., 2005) bahwa standar diagnosis DM tipe 2 didasarkan pada nilai glukosa puasa, glukosa sewaktu dan tes glukosa toleransi oral. Kriteria diagnosis ini berlaku untuk usia anak maupun dewasa. Adapun beberapa faktor pendukung dalam hal-hal kehidupan yang dihubungkan dengan perkembangan penyakit DM tipe 2 secara dini yaitu terdiri dari kebiasaan merokok, aktifitas fisik, pola makan, usia dan jenis kelamin.
Penyakit Jantung Koroner (PJK) merupakan penyakit jantung yang diakibatkan oleh penyempitan atau penyumbatan pembuluh nadi koroner dan dapat menghentikan aliran darah ke otot jantung yang sering ditandai dengan rasa nyeri. Dalam kondisi yang lebih parah kemampuan jantung dalam memompa darah dapat hilang (Soehardo, 1982).
Penyakit Jantung Koroner (PJK) mempunyai angka kematian dan kesakitan yang tinggi. Walaupun penyebab dasar terjadinya PJK belum diketahui dengan pasti, para ahli telah mengidentifikasi sejumlah faktor yang berhubungan dengan terjadinya penyakit jantung yang disebut sebagai faktor risiko. Terdapat 9 faktor risiko yang dapat digunakan sebagai pendeteksi penyebab terjadinya PJK yaitu usia, jenis kelamin, pekerjaan, HDL, LDL, trigliserida, kolestrol, tekanan sistolik dan tekanan darah diastolik (Effendy et al., 2008).
5. Jaringan Syaraf Tiruan
Jaringan saraf tiruan merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan disini digunakan karena jaringan syaraf ini diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran (Kusumadewi, 2003).
5.1 Algoritma Backpropogation
Backpropagation merupakan algoritma pembelajaran
yang terawasi dan
biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuran yang ada pada lapisan tersembunyinya. Backpropogation adalah pelatihan jenis terkontrol (supervised) dengan menggunakan pola penyesuaian bobot untuk mencapai kesalahan nilai yang minimum antara keluaran hasil prediksi dengan keluaran yang nyata ( Suhandi dan Krisna, 2009).
Dalam (Solikhun et all., 2017) algoritma backpropogation untuk melakukan training terhadap suatu jaringan terdiri dari tiga tahap, yaitu feedforward dari pola input training, backpropogation dari error yang terkait dan penyesuaian
bobot. Langkah-langkah dalam algoritma
backpropogation adalah sebagai berikut :
Langkah 0: Inisialisasi bobot (ambil bobot dengan nilai random yang kecil).
Langkah 1: Ketika pada kondisi berhenti salah, lakukan langkah 2-9. Langkah 2: Untuk setiap pasangan training, lakukan langkah 3-8.
Feedforward:
Langkah 3: Setiap unit input (Xi, i=1,2,3,..., n) menerima sinyal xi dan meneruskan sinyal tersebut ke semua unit pada lapisan yang ada di atasnya (lapisan tersembunyi).
Langah 4: Setiap unit tersembunyi (Zj, j=1,2,3,. .., p) menjumlahkan
zi nj=v0j+
∑
i=1 nxi∙ vij
gunakan fungsi aktivasi untuk menghitung sinyal outputnya :
gunakan fungsi aktivasi untuk menghitung sinyal outputnya :
pola yang berhubungan dengan pola input pembelajaran, hitung informasi errornya :
δk=
(
tk−yk)
f '(yi nk)kemudian hitung koreksi bobot ( yang nantinya akan
digunakan untuk memperbaiki nilai wjk ) : ∆ wjk=α ∙ δk∙ zj
hitung juga koreksi bias ( yang nantinya akan digunakan
kirimkan δk ini ke unit-unit yang ada di lapisan bawahnya. Langkah 7: Setiap unit tersembunyi (Zj, j=1,2,3,. .., p) menjumlahkan
delta inputnya (dari unit-unit yang berada pada lapisan di atasnya): digunakan untuk memperbaiki nilai vij) :
Arsitektur jaringan merupakan sebuah arsitektur yang digunakan untuk menentukan pola antar neuron. Dimana neuron-neuron tersebut terkumpul dalam lapisan-lapisan yang disebut neuron layer. Terdapat tiga lapisan penyusun jaringan syaraf tiruan backpropogation yaitu: 1. Lapisan input, adalah unit-unit yang bertugas menerima pola
inputan dari luar yang menggambarkan suatu permasalahan.
2. Lapisan tersembunyi merupakan unit-unit yang nilai outputnya tidak dapat diamati secara langsung
3. Lapisan output adalah unit-unit yang merupakan solusi jaringan syaraf tiruan terhadap suatu permasalahan.
Adapun arsitektur jaringan pada penelitian ini adalah sebagai berikut :
Gambar 2 Bagan Kerangka Pikir Penelitian Mulai
Studi Literatur
Identifikasi Masalah
Pengambilan Data
Perancangan Sistem Jaringan Backpropagation
Pengolahan Data Awal
Pelatihan Sistem Jaringan Backpropagation
Pengujian Sistem Jaringan Backpropagation
Pengolahan Data Akhir
Hasil dan Kesimpulan
H. Metode Penelitian
1. Lokasi dan Tempat Penelitian
Lokasi pengambilan data dilakukan di Rumah Sakit Umum Anutapura Palu, Sulawesi Tengah dan pengolahan data di lakukan di rumah dan Laboratorium Terapan Jurusan Matematika Fakultas MIPA Universitas Tadulako.
2. Alat dan Bahan
Alat yang digunakan pada penelitian ini adalah laptop dengan spesifikasi: Processor Intel Inside, sistem operasi windows 7 dan software MATLAB R2010a serta alat tulis menulis.
3. Jenis dan Sumber Data
Jenis data yang digunakan dalam penelitian ini adalah data kualitatif dan kuantitatif. Data kualitatif meliputi jenis kelamin, usia, aktivitas fisik, kebiasaan merokok dan pola makan. Sedangkan data kuantitatif meliputi pengukuran tekanan darah, kadar gula darah, berat badan, tinggi badan, HDL, LDL, kolesterol dan Trigliserida. Serta ditambahkan dengan 3 faktor pencetus PJK yaitu Obesitas, DM tipe 2, dan SM dengan Jumlah responden yang diambil datanya adalah 200 pasien.
4. Analisis Data
Sebelum data training dan data testing diolah menggunakan backpropagation, data tersebut perlu ditransformasi terlebih dahulu. Adapun ketentuan transformasi dari masing-masing variabel penelitian yang merupakan faktor risiko obesitas, DM tipe 2, SM dan PJK dapat dilihat pada tabel berikut :
Tabel 2 Variabel dan Transformasinya Nilai 0.3 = untuk 18.5-22.9 (normal) Nilai 0.6 = untuk 23-25.9 (beresiko) Nilai 1 = untuk ≥30 (obesitas)
x3 Jenis kelamin Nilai 0 = untuk lakilaki Nilai 1 = untuk perempuan
x13 Usia Nilai 0 = untuk ¿40 tahun Nilai 1 = untuk ≥40 tahun4
x16 DM Nilai 0 = tidak Nilai 1 = ya
x17 SM Nilai 0 = tidak Nilai 1 = ya
x19 Kadar LDL Nilai 0 = untuk ¿160 belum beresiko PJK Nilai 1 = untuk ≥160 beresiko PJK
x20 Kolestrol
Nilai 0 = untuk ¿200 (aman) Nilai 0.5 = 200-239 (diwaspadai) Nilai 1 = ≥240 (tinggi)
5. Prosedur Penelitian
a. Memulai penelitian
b. Mengumpulkan studi literatur dengan mengumpulkan materi dari beberapa buku, artikel, dan jurnal yang berkaitan dengan Jaringan Syaraf Tiruan Backpropogation, Obesitas, T2DM, SM dan PJK
c. Mengambil data
d. Pembagian data training & testing
e. Membuat rancangan system
f. Proses pelatihan g. Pengujian system h. Hasil dan kesimpulan i. Selesai
6. Sistematika Penulisan
a. BAB I : Pendahuluan
Pada bagian ini dibahas mengenai latar belakang masalah, rumusan masalah, tujuan penelitian, manfaat penelitian dan batasan masalah.
b. BAB II : Tinjauan Pustaka
Pada bagian ini dibahas mengenai landasan teori dan kerangka pikir dalam menunjang penelitian.
c. BAB III : Metodologi Penelitian
Pada bagian ini dibahas mengenai lokasi dan tempat penelitian, alat dan bahan, jenis dan sumber data, analisis data dan prosedur penelitian.
d. BAB IV : Hasil dan Pembahasan
Pada bagian ini akan dibahas mengenai hasil dan pembahasan yang diperoleh selama penelitian.
e. BAB V : Penutup
Pada bagian ini akan dibahas mengenai kesimpulan dari penelitian yang telah dilakukan dan saran bagi peneliti selanjutnya yang tertarik dalam bidang ini.
7. Waktu Pelaksanaan
Penelitian ini direncanakan akan dilaksanakan selama 6 bulan, dan untuk rincian jadwal pelaksanaannya dapat dilihat pada tabel di bawah ini :
Tabel 3 Waktu Pelaksanaan Penelitian
N
o Jenis Kegiatan
BULAN
1 Studi literatur 2 Pengumpulan data 3 Desain Sistem
4 Penyusunan Skripsi
I. Daftar Pustaka
Effendy, N, Subagja, Faisal, A. 2008. Prediksi Penyakit Jantung Koroner (PJK) Berdasarkan Faktor Risiko Menggunakan Jaringan Syaraf Tiruan Backpropogation. ISSN, 1907-5022.
Hannon, T.S., Rao, G., Arslanian, S.A. Childhood obesity and type 2 diabetes mellitus. Pediatrics 2005; 116:473-80 Hill JO, Wyatt HR, Reed GW, Peter JC. Obesity and the
environment: Where do we go from here? Science 2003; 299: 853-5.
International Diabetes Federation. The IDF consensus worldwide definition of the
metabolic syndrome. Belgia: International Diabetes Federation, 2006. International Diabetes Federation. 2011. One Adult In Ten Will Have Diabetes
By 2030 http://www.idf.org/mediaevents/press-releases/2011/diabetes-atlas-8th-edition. Diakses 18 Mei 2018.
Kusumadewi, Sri. 2003. Artificial Intelligence (Teknik dan Aplikasinya). Graha Ilmu. Yogyakarta.
Pusparini, 2007. Obesitas sentral, Sindroma Metabolik dan Diabetes melitus Tipe Dua. Universa Medicina, 26(4).
Rahmawati, N. 2009. Aktifitas Fisik, Konsumsi Makanan Cepat Saji (Fastfood), dan Keterpaparan Media serta Faktor-Faktor Lain yang Berhubungan dengan Kejadian Obesitas pada Siswa SD Islam Al-Azhar 1 Jakarta Selatan Tahun 2009. Skripsi. Fakultas Kesehatan Masyarakat, Universitas Indonesia, Depok.
Rini, S. 2015. Sindrom Metabolik. J Majoroty, 4(4).
Soehardo, K. 1982. Memelihara Jantung Sehat dan Menjaga Jantung Sakit. Jakarta: Citra Budaya & CV. Karya Pembina Bangsa.
Solikhun, M., Safii, Trisno, A. 2017. Jaringan Syaraf Tiruan untuk Mmeprediksi Tingkat Pemahaman Siswa Terhadap Mata Pelajaran dengan Menggunakan Algoritma Backpropogation. J-SAKTI, 1(1). Sudarsono, A. 2016. Jaringan Syaraf Tiruan Untuk Memprediksi Laju
Pertumbuhan Penduduk Menggunakan Metode Backpropogation (Studi Kasus di Kota Bengkulu). Jurnal Media Infotama, 12(1).
Suhandi, F & Krisna. 2009. Prediksi Harga Saham dengan Pendekatan Artificial Neural Network Menggunakan Algoritma Backpropogation. http:// krisnafebrianto.blog.upi.edu/2009/06/27/prediksi-harga-saham-dengan- menggunakan-pendekatan-artificial-neural-network-menggunakan-algoritma-backpropogation.html. Diakses 30 mei 2018.
Sukesih dan Siswanti, H. 2017. Carbohydrate Counting Untuk Penderita Diabetes Mellitus. ISSN, 2407-9189.
Trisnawati, S.K dan Setyorogo S. 2013. Faktor Risiko Kejadian Diabetes
Melitus Tipe II
Utomo, G.T., Junaidi, S., Rahayu, S. 2012. Latihan Senam Aerobik Untuk Menurunkan Berat Badan, Lemak dan Kolestrol. Journal of Sport Sciences and Fitness, 1(1).
